L'une des plus fortes croissances démographiques dans l'UE est constituée par les personnes âgées de 65 ans et plus, et les deux tiers de ce groupe sont en situation de multimorbidité, c'est à dire., personnes souffrant de deux maladies chroniques ou plus. Le traitement inefficace de la multimorbidité a été signalé comme un problème urgent à résoudre par l'Académie des sciences médicales dans un rapport récemment publié. Dans le cadre d'un projet financé par l'UE H2020 appelé ProACT, notre équipe d'IBM Research - Ireland travaille avec des partenaires universitaires et industriels pour trouver de nouvelles façons d'utiliser l'IoT, L'IA et les technologies cloud pour faire progresser les capacités d'autogestion et les soins intégrés à domicile pour les personnes atteintes de multimorbidité (PwM).

Le projet ProACT étudie des moyens portables, les capteurs domestiques et les applications tablettes peuvent être utilisés pour aider les personnes souffrant de multimorbidité, ainsi que leurs acteurs de soutien, qui comprennent les aidants naturels (par exemple, la famille et les amis), les soignants formels et les professionnels de la santé (y compris les médecins et les infirmières), gérer une combinaison de conditions, y compris l'insuffisance cardiaque chronique (ICC), diabète et maladie pulmonaire obstructive chronique (MPOC).

Le projet comprend des essais de validation de principe en Irlande et en Belgique, impliquant les services de santé nationaux, avec un certain nombre de patients équipés de capteurs portables et domestiques, et leurs acteurs de soutien. Les procès commencent maintenant. Les patients apprennent à utiliser ProACT CareApp, qui agrège les relevés des capteurs et permet aux PwM et à leurs acteurs supports de suivre leur état, et propose également des vidéos éducatives et des tutoriels adaptés aux besoins d'autogestion. L'interface utilisateur de ProACT CareApp a été co-conçue avec la participation de PwM pour assurer la facilité d'utilisation. L'objectif principal de notre recherche est d'utiliser les données collectées pour développer un modèle holistique de PwM qui peut être utilisé pour surveiller et prédire la santé et le bien-être des PwM.

Dans le cadre de ProACT, notre équipe Health &Person-Centred Knowledge Systems à Dublin construit un modèle holistique pour les personnes souffrant de multimorbidité, en utilisant des données sur les conditions, vitaux, auto-évaluations et évaluations comportementales. Le modèle repose sur un réseau bayésien, un outil graphique probabiliste qui a été largement appliqué dans l'aide à la décision en matière de soins de santé. Il représente la dépendance probabiliste entre plusieurs variables, qui permet de prédire l'état le plus probable d'une variable connaissant l'état d'autres variables. Elle en fait une technique prometteuse pour aider à relever les défis de la multimorbidité.

Dans notre article de conférence MIE 2018 (Medical Informatics Europe) "Une méthode analytique pour la gestion de la multimorbidité à l'aide de réseaux bayésiens, " nous présentons notre analyse appelée Health and Wellness Profile Builder (HWProfile), qui est testé au cours des essais ProACT. HWProfile est un modèle d'IA visant à représenter un PwM à travers plusieurs dimensions interconnectées :démographie, facteurs médicaux, auto-évaluations et facteurs comportementaux. L'état du PwM est évalué à l'aide de capteurs et de questionnaires d'auto-évaluation effectués via ProACT CareApp. Les questions quotidiennes sont une méthode précieuse pour collecter une grande variété d'informations d'auto-évaluation telles que les scores d'essoufflement pour la MPOC et l'ICC, les niveaux d'humeur et d'anxiété ou des informations sur l'observance du traitement.

Pour développer le modèle HWProfile, nous avons sélectionné des variables couvrant diverses dimensions :santé/médical, mode de vie, psychologique, bien-être, social et comportemental, tout en identifiant la plage de valeurs que ces variables peuvent atteindre. Ensuite, le modèle a dû apprendre par machine les relations de probabilité conditionnelles qui existent entre les variables, d'un point de vue structurel, ainsi que d'un point de vue numérique. Comment le genre, l'âge et l'arthrite ont-ils un impact sur le risque de chute ? Quel est le bénéfice attendu de l'augmentation de l'activité physique sur le niveau de douleur pour les femmes atteintes de MPOC ? C'est le genre de questions que HWProfile peut aider à résoudre.

Nous avons entraîné le modèle à l'aide de données extraites de TILDA, un ensemble de données ouvertes recueillies à partir d'une étude longitudinale sur la santé de la population irlandaise âgée, dirigé par Trinity College. Dans l'étude TILDA, 8504 personnes de plus de 50 ans ont répondu à un auto-questionnaire, un entretien assisté par ordinateur et un bilan de santé. Pour tester la méthodologie sur un petit modèle, notre équipe a sélectionné 12 variables de cet ensemble de données, compte tenu de la population cible et des pathologies couvertes dans les essais ProACT et des méthodes de collecte de données utilisées :surveillance de la tension artérielle, escalader, questionnaire d'activité. Ce modèle entraîné a été utilisé comme base pour développer HWProfile (voir Figure 1).

Pour explorer le modèle de réseau bayésien, nous avons construit une interface utilisateur intuitive et interactive. Les variables et leurs niveaux associés sont regroupés par catégories codées par couleur (voir la figure 1). Le réseau bayésien montre comment les variables s'influencent mutuellement. Les distributions de probabilité discrètes correspondant à chaque variable sont regroupées par des cases sur le panneau de risque interactif (à droite de la figure 1). Pour une variable donnée, les probabilités marginales de chaque niveau possible sont indiquées à la fois en pourcentage et par un graphique à barres horizontales en arrière-plan.

L'utilisateur peut attribuer un niveau "observé" à n'importe quelle variable, en cliquant sur le niveau. L'ensemble des probabilités marginales est ensuite mis à jour pour refléter ces observations. Cliquer à nouveau sur une variable observée la ramène à l'état non observé, avec des probabilités marginales affichées. Figure 1, droit, montre l'interface après que l'âge a été réglé sur « au-dessus de 70 » et le niveau de cholestérol sur « Plus de 5 mmol/L ». Le changement résultant des probabilités pour toutes les variables connectées, comme l'hypertension, peut être vu immédiatement.

Le modèle HWProfile fournit une variété de sorties, y compris des estimations probabilistes pour toutes les variables non observées chaque fois qu'une nouvelle observation est faite. Ces sorties peuvent être transmises à d'autres analyses du système ProACT, qui incluent un objectif et une recommandation d'éducation, un système d'alerte et un moniteur d'exacerbation de l'état. Notre modèle d'IA vise à exploiter toutes les informations disponibles sur le PwM dans le cadre de ProACT afin de donner un aperçu de leur statut et des recommandations pour l'autogestion et/ou le soutien et les soins.

Notre équipe IBM Research a également développé InterACT, une plateforme Cloud dans le cadre de ProACT. Interagir, construit sur IBM Cloud, est exposé comme un ensemble de services authentifiés pour gérer les données de santé anonymisées et coordonner la collaboration entre les fournisseurs de données, analyse de données (comme mentionné précédemment HWProfile) et consommateur de données.

Les travaux futurs consistent à étudier la validité clinique du modèle. Nous avons observé des effets entre les variables dans notre modèle préliminaire qui concordent avec la littérature médicale. Les développements ultérieurs incluent également l'analyse des performances de la méthode pour un réseau plus vaste, inclusion de la dimension temporelle et différents taux d'échantillonnage par variable. Le modèle HW Profile sera évalué en conjonction avec les travaux supplémentaires autour des systèmes de recommandation développés dans le cadre du projet ProACT.